diff --git a/rfcs/AVH/20230222_ppocr_deploy_for_arm.md b/rfcs/AVH/20230222_ppocr_deploy_for_arm.md
new file mode 100644
index 000000000..82b46113f
--- /dev/null
+++ b/rfcs/AVH/20230222_ppocr_deploy_for_arm.md
@@ -0,0 +1,97 @@
+# Arm 虚拟硬件上完成 PP-OCR 文本检测模型的部署与优化设计文档
+
+|任务名称 | Arm 虚拟硬件上完成 PP-OCR 文本检测模型的部署与优化 |
+|---|---|
+|提交作者 | txyugood |
+|提交时间 | 2023-2-22 |
+|版本号 | V1.0 |
+|依赖飞桨版本 | develop |
+|文件名 | 20230222_ppocr_deploy_for_arm.md
|
+
+# 一、概述
+## 1、相关背景
+将 PaddleOCR 模型库中的文本检测模型 (Text Detection Model) 部署在 Arm Cortex-M55 处理器上并使用 Arm 虚拟硬件 Corstone-300 平台进行验证。
+[https://github.com/PaddlePaddle/Paddle/issues/50632#task214](https://github.com/PaddlePaddle/Paddle/issues/50632#task214)
+## 2、功能目标
+使用Arm虚拟硬件完成文本检测应用的结果验证。
+## 3、意义
+为PPOCR套件提供边缘计算方案。
+
+# 二、飞桨现状
+
+目前PPOCR支持英文检测模型在ARM虚拟硬件上的运行。
+
+# 三、业内方案调研
+
+* [语音识别](https://arm-software.github.io/AVH/main/examples/html/MicroSpeech.html)
+
+ 该项目识别两个关键字Yes和No。使用Tensorflow Lite来实现识别模型，可以运行在ARM虚拟硬件上。
+
+
+* [行人检测](https://github.com/apache/tvm/tree/main/apps/microtvm/cmsisnn)
+
+ 该项目使用TVM对TensorFlow Lite导出的模型文件进行编译，然后基于CMSIS-NN运行在Cortex(R)-M55 CPU上。
+
+# 四、对比分析
+
+以上方案均基于TensorFlow Lite实现，本方案将使用飞桨导出的静态图模型，使用TVM量化编译后再ARM虚拟硬件上运行，并输出具有可读性的运行结果。
+
+
+# 五、设计思路与实现方案
+
+## 1、主体设计思路与折衷
+参考实例代码跑通环境部署、TVM安装、模型量化、模型编译、应用程序编写与测试等部署。
+### 主体设计具体描述
+1. 选择模型。
+
+2. 量化模型
+
+3. 编译模型(tvmc)
+
+4. 应用程序编写(前后端处理)
+
+5. 使用Arm虚拟硬件运行应用
+
+6. 验证运行结果。
+
+### 主体设计选型考量
+选择ch_ppocr_mobile_v2.0_det模型主要原因，
+1.模型参数规模小，mobile模型适合运行在嵌入式设备上。
+2.该模型未被量化，可在编译阶段先对模型进行适当的量化，尽可能多的调用CMSIS-NN库。
+
+
+## 2、关键技术点/子模块设计与实现方案
+模型量化与编译是本项目重点内容，学习研究TVM中的量化方法。
+
+## 3、主要影响的模块接口变化
+单独的demo项目不影响飞桨框架。
+
+# 六、测试和验收的考量
+使用Arm虚拟硬件平台验证文本检测应用运行结果, 检测结果正常并具有可读性。
+
+# 七、影响面
+
+## 对用户的影响
+单独Demo项目，对用户无影响。
+## 对二次开发用户的影响
+单独Demo项目，对用户无影响。
+## 对框架架构的影响
+无
+## 对性能的影响
+无
+## 对比业内深度学习框架的差距与优势的影响
+无
+## 其他风险
+无
+
+# 八、排期规划
+* 环境搭建并跑通参考项目（已完成）
+* 量化与编译模型（2023-2-28至2023-3-5）
+* 应用程序编写(2023-3-5至2023-3-6)
+* AVH测试(2023-3-6至2023-3-8)
+* 提交PR(2023-3-9)
+
+# 名词解释
+AVH： Arm虚拟硬件（Arm Virtual Hardware)
+
+# 附件及参考资料